Kontakte
Kontaktieren Sie uns
Schließen Sie

Kontakte

Rumänien, Cluj-Napoca – 400157
Str. Ploiești Nr. 9

Rumänien, Vama - 447350
Str. Fermei Nr. 14

+40 774 463 429

info@inteliscience.net

Rufen Sie uns an: +40 774 463 429

KI-Lastenheftanalyse: Von der Anfrage (RFQ) zu Altprojekten

KI-Lastenheftanalyse: Die Kurzfassung

KI-Lastenheftanalyse liest ein eingehendes Anfragepaket (Lastenheft, technische PDFs, Zeichnungen) und liefert eine strukturierte Anforderungsliste mit der Fundstelle für jede Zeile, dazu technisch ähnliche Altprojekte und die Begründung, warum jedes davon passt. inteliScience baut sie auf Ihren vorhandenen PDM-, ERP- und Dokumentdaten auf, nur lesend. Die Ingenieure prüfen eine vorbereitete Liste statt eines leeren Blatts.

Schritt Heute manuell Mit KI-Lastenheftanalyse
Lesen des AnfragepaketsEin Ingenieur liest jede SeiteDie KI extrahiert die Anforderungen, der Ingenieur prüft die Liste
NachverfolgbarkeitNotizen in einer Tabelle, oft ohne SeitenangabenJede Zeile verweist auf Dokument, Seite und wörtliche Fundstelle
Referenzprojekte findenDen erfahrenen Kollegen fragen, Stichwortsuche auf dem FileserverÄhnliche Projekte nach Rang, mit Begründung für jeden Treffer
Kosten- und BeschaffungskontextArtikelnummern im ERP von Hand nachschlagenTreffer verknüpft mit PDM-Datensätzen sowie ERP-Artikel-, Kosten- und Beschaffungsdaten
Entscheidung, was angeboten wirdIngenieurIngenieur (unverändert)

Das Problem: Warum Anfragepakete so viel Ingenieurszeit kosten

Eine Anfrage für eine Sondermaschine oder Anlage kommt selten als ein einziges Dokument. Sie besteht aus einem Lastenheft, einem Stapel technischer PDFs, Kundennormen, Zeichnungen und oft einer Tabelle mit weiteren Anforderungen. Jemand muss das alles lesen, entscheiden, was angebotsfähig ist, und das vor Ablauf der Frist erledigen.

Zwei Dinge machen das in der Auftragsfertigung (Engineer-to-Order) teuer.

Erstens wird eine jetzt übersehene Anforderung in jeder späteren Phase teurer. Eine NASA-Studie, die 2004 auf dem INCOSE-Symposium vorgestellt wurde, bezifferte die Kosten für die Behebung eines Anforderungsfehlers, der in der Konstruktion entdeckt wird, auf das 3- bis 8-Fache der Kosten in der Anforderungsphase, auf das 21- bis 78-Fache während Integration und Test und auf das 29- bis über 1.500-Fache im Betrieb. Die Zahlen stammen aus Luft- und Raumfahrtprogrammen, doch das Eskalationsmuster gilt für jede Maschine, die konstruiert, gebaut und in Betrieb genommen wird.

Zweitens das Gedächtnis. Die wertvollste Frage, „Haben wir so etwas schon einmal gebaut?“, beantwortet meist der erfahrene Ingenieur, der dieses Projekt zufällig geleitet hat. Der Fileserver erinnert sich nicht. Die Stichwortsuche scheitert, weil das alte Lastenheft dieselbe Funktion mit anderen Worten beschrieben hat, und die ERP-Suche braucht eine Artikelnummer, die Sie noch nicht haben.

Unsere Position: Das Lesen ist nicht der schwer zu automatisierende Teil. Schwierig ist, das Ergebnis prüfbar zu machen und mit dem zu verknüpfen, was Ihr Unternehmen bereits gebaut hat.

So sollte das Ergebnis aussehen: Eine Anforderungsliste mit Quellen

Ein brauchbares Ergebnis ist eine Liste atomarer Anforderungen, eine pro Zeile, jede mit ihrem Typ, ihrem Wert und der genauen Fundstelle, aus der sie stammt. ISO/IEC/IEEE 29148:2018 nennt neun Merkmale einer guten Einzelanforderung (notwendig, angemessen, eindeutig, vollständig, singulär, realisierbar, verifizierbar, korrekt und konform), und eine strukturierte Liste macht sichtbar, welche Kundenanforderungen diesen Test nicht bestehen. Eine dritte Ausgabe der Norm befindet sich im Stadium des Draft International Standard (DIS), der IEEE-Entwurf ist auf September 2026 datiert.

Beispiel zur Veranschaulichung, auf Basis einer fiktiven Anfrage für eine Handhabungszelle:

Nr. Anforderung (atomar) Typ Fundstelle Status (Ingenieur)
R-01Sicherheitsfunktionen erreichen PL d nach EN ISO 13849-1NormLastenheft §3.1: „Sicherheitsfunktionen müssen PL d gemäß EN ISO 13849-1 erreichen“Akzeptiert
R-02Schaltschrank in Schutzart IP54UmgebungZeichnungsanhang, allgemeiner Hinweis 4Prüfen: aus einer Zeichnung gelesen
R-03Werkzeugloser ProduktwechselFunktionLastenheft §4.3Abweichung von unserer Standardkonstruktion
R-04Lackierung in der Hausfarbe des KundenOberflächeLastenheft §6.2, Farbcode nicht angegebenOffene Frage an den Kunden
R-05Taktzeit „so kurz wie möglich“PerformanceLastenheft §4.1Nicht verifizierbar: Zielwert anfragen

Die Zeilen R-04 und R-05 verdienen die meiste Aufmerksamkeit. Eine Anforderung ohne Wert oder eine, die „so kurz wie möglich“ lautet, ist keine Anforderung im Sinne von ISO 29148. Sie ist eine Frage an den Kunden, und solche Fragen am ersten Tag zu finden, ist weit günstiger, als sie erst bei der Abnahme zu entdecken.

Wir empfehlen, die letzte Spalte Menschen zu überlassen. Die KI füllt die ersten vier aus, über die fünfte entscheidet ein Ingenieur.

So funktioniert KI-Lastenheftanalyse, Schritt für Schritt

KI-Lastenheftanalyse läuft in fünf Schritten ab: das Paket lesen, atomare Anforderungen extrahieren, jeder die Fundstelle zuordnen, abgeschlossene Projekte nach technischer Ähnlichkeit durchsuchen und das Ergebnis an einen Ingenieur übergeben. Retrieval-Augmented Generation (RAG), bei der ein Modell auf Basis abgerufener Dokumente statt aus seinem Trainingswissen antwortet, ist das allgemeine Muster hinter den letzten drei Schritten.

  1. Das gesamte Paket lesen. Text-PDFs, gescannte Anhänge (die zuerst eine Texterkennung per OCR brauchen), Tabellen mit weiteren Anforderungen sowie Zeichnungen einschließlich Schriftfeldern, Hinweisen und Tabellen.
  2. Anforderungen extrahieren und normalisieren. Zusammengesetzte Sätze in Einzelanforderungen aufteilen, einen Typ zuweisen, Werte und Einheiten übernehmen.
  3. Die Quelle zuordnen. Jede Zeile erhält ihr Dokument, ihre Seite oder ihren Abschnitt sowie die wörtliche Fundstelle.
  4. Abgeschlossene Projekte durchsuchen. Die technischen Anforderungen und Merkmale der neuen Anfrage mit den Spezifikationen, Produktstrukturen und Unterlagen abgeschlossener Projekte vergleichen und die technisch ähnlichen nach Rang ordnen.
  5. Begründen und übergeben. Für jeden Treffer: warum er als ähnlich bewertet wurde, was sich unterscheidet, welche Unterlagen und Daten dazu vorliegen und welche Fundstellen hinter der Bewertung stehen.

Viele Dokumenten-KI-Werkzeuge hören nach Schritt 3 auf. Für ein Unternehmen mit Auftragsfertigung liegt der Wert in Schritt 4, denn ein gutes Referenzprojekt bringt seine Konstruktion, seine Kostenhistorie und seine Erfahrungen mit.

Ein Chatfenster über dem Fileserver ist der häufigste erste Versuch, und als Endzustand würden wir davon abraten. Es beantwortet die Frage, die Sie stellen, nicht die, die Sie vergessen haben, und es liefert keine Liste, die jemand freigeben kann.

Ein Punkt überrascht viele Teams: Für diese Art der Projektsuche muss das CAD-System überhaupt nicht angebunden werden. Teile- und Baugruppennummern, Benennungen, Produktstruktur und Projektzuordnung kommen aus dem PDM, ganz gleich, welches CAD Sie einsetzen, ob Siemens NX, CATIA, SolidWorks oder Creo. Ähnliche Teile anhand ihrer Form zu finden, ist eine andere Aufgabe, die einen Geometrie-Index erfordert; unsere Dienstleistungen für Engineering-Daten-KI decken beides ab, mit einem Team, das für die gesamte Kette verantwortlich ist.

Warum jede Zeile eine Fundstelle braucht

Eine extrahierte Anforderung ohne Fundstelle lässt sich nicht in vertretbarer Zeit prüfen, und aktuelle Modelle machen gerade bei dieser Art von Material noch Fehler. Quellenangaben machen die KI nicht fehlerfrei. Sie sorgen dafür, dass ihre Fehler mit wenig Aufwand zu finden sind.

Mehrere unabhängige Befunde zeigen in dieselbe Richtung. Forscher in Stanford testeten kommerzielle juristische Recherchewerkzeuge auf Basis von Retrieval-Augmented Generation und stellten fest, dass sie bei 17 % bis 33 % der Testanfragen weiterhin halluzinierten, obwohl einige Anbieter behauptet hatten, Retrieval würde Halluzinationen verhindern; die Studie erschien 2025 im Journal of Empirical Legal Studies. Technische Inhalte sind nicht einfacher. Bei MechReason, einem Maschinenbau-Benchmark mit 12.000 Frage-Antwort-Paaren, der am 21. August 2026 auf arXiv veröffentlicht wurde, erreichte das beste getestete Modell, GPT-5.5, eine Genauigkeit von 62,89 %, Claude Opus 4.8 kam auf 58,07 %. Die Autoren führen die Fehler vor allem auf fehlerhafte Schlussfolgerungsketten und mangelnde Verankerung in den Belegen zurück, weniger auf reine Erfindung.

Zeichnungen sind noch schwieriger. Im MechVQA-Benchmark (überarbeitet am 7. Juli 2026, 3.300 technische Zeichnungen mit 21.000 Fragen) erzielte das stärkste Closed-Source-Modell, Gemini-3-Pro-Preview, insgesamt 77,28 Punkte. Das ist ein brauchbarer erster Durchgang, aber nichts, woraus man ungeprüft ein Angebot ableitet.

Behandeln Sie aus Zeichnungen und Scans gelesene Anforderungen daher standardmäßig als „prüfen“, und messen Sie die Extraktionsqualität an Ihren eigenen abgeschlossenen Anfragen, bei denen die richtige Antwort bereits bekannt ist, bevor Sie sich darauf verlassen. Retrieval mit Quellenangaben zahlt sich aus, wenn es so aufgebaut ist: Bei einem privaten Wissensassistenten, den wir für ein Ingenieur- und Beratungsunternehmen eingeführt haben, sank die Zeit für die Dokumentensuche um 60 %.

Technisch ähnliche Altprojekte finden und die Ähnlichkeit begründen

Ein Treffer bei der Projektähnlichkeitssuche nützt nur, wenn er sagt, warum er ähnlich ist. Ein bloßer Ähnlichkeitswert schickt den Ingenieur zurück ans Lesen; „gleiches Handhabungsprinzip, gleiches Sicherheitsniveau, kein werkzeugloser Wechsel, siehe endgültige Spezifikation §2.4“ spart den Nachmittag.

Beispielhafter Treffer für die fiktive Anfrage oben:

Feld Beispielinhalt
AltprojektProjekt A, Handhabungszelle für eine vergleichbare Produktfamilie
Warum als ähnlich bewertetGleiches Greiferprinzip, gleiches Sicherheitsniveau (PL d), vergleichbare Traglastklasse
Was sich unterscheidetKein werkzeugloser Produktwechsel
Verfügbare UnterlagenEndgültige Spezifikation, Aufstellungsplan, Abnahmeprotokoll, Baugruppenstruktur im PDM
Verknüpfte DatenPDM-Datensätze, ERP-Artikelstamm, Istkosten und Einkaufsinformationen
FundstellenEndgültige Spezifikation §2.4; Abnahmeprotokoll, Abschnitt zu den Sicherheitsfunktionen

In der Zeile „Verknüpfte Daten“ wird die Analyse zur Angebotsunterstützung. Wenn Treffer mit PDM-Datensätzen und ERP-Daten verknüpft sind, sieht der Ingenieur, was das Referenzprojekt tatsächlich gekostet hat und welche Zukaufteile es brauchte, und genau das ist der Ausgangspunkt für die Kostenschätzung aus Altprojekten.

Wir lesen aus diesen Systemen; wir schreiben nicht hinein und ersetzen sie nicht. Ein PDM-System, ob kommerziell oder selbst entwickelt auf Basis einer SQL-Datenbank, lässt sich in der Regel direkt lesen. In einem ERP wie SAP S/4HANA, SAP Business One oder proAlpha sind Artikel-, Kosten- und Beschaffungsdaten über die Standardschnittstellen des Herstellers nur lesend erreichbar. Wikis wie Confluence oder SharePoint und Netzlaufwerke werden über Standard-Konnektoren angebunden. Die Details finden Sie in unserem Leitfaden zur Anbindung von PDM- und ERP-Daten für KI.

Ein Pilot mit einer Handvoll Anfragen beweist die Idee. Was für den Produktivbetrieb fehlt: nur lesende Konnektoren zu jeder Quelle, Berechtigungen, die Ihre Systeme abbilden, Hosting auf Ihrer Infrastruktur oder in der EU und ein Testset aus abgeschlossenen Anfragen, das misst, was die KI übersieht. Diese Lücke schließen wir als eine einzige Dienstleistung: KI-Suche nach ähnlichen Projekten für Engineer-to-Order-Teams.

Was für Ihre Daten gelten muss

Die Technologie ist selten der unsichere Teil. Unsicher ist, ob sich eine Projekt- bzw. Auftragsnummer durchgängig durch PDM, ERP, Wiki und Fileserver zieht. Ist das der Fall, ist es unkompliziert, eine neue Anforderung mit einem Altprojekt, seinen Unterlagen und seinen Kosten zu verknüpfen. Wenn nicht, lässt sich die Verknüpfung trotzdem herstellen, sie wird dann aber Teil des Projekts.

Das deckt sich mit dem Gesamtbild. Gartner prognostizierte im Februar 2025, dass Unternehmen bis 2026 60 % der KI-Projekte aufgeben werden, die nicht durch KI-taugliche Daten gestützt sind; in der zugehörigen Umfrage gaben 63 % von 248 Verantwortlichen für Datenmanagement an, nicht über die richtigen Datenpraktiken für KI zu verfügen, oder waren unsicher.

Die Verknüpfbarkeit können Sie selbst testen, bevor Sie mit irgendjemandem sprechen. Exportieren Sie die Projektliste aus dem PDM und die Auftragsliste aus dem ERP in eine gemeinsame Datenbank und führen Sie eine nur lesende Prüfung wie diese aus (Tabellen- und Spaltennamen sind Platzhalter):

-- Linkability check: does each PDM project number find its ERP order?
-- Read-only. Table and column names are placeholders for your exports.
SELECT
  COUNT(*) AS pdm_projects,
  SUM(CASE WHEN p.order_no IS NULL OR TRIM(p.order_no) = ''
           THEN 1 ELSE 0 END) AS missing_order_no,
  SUM(CASE WHEN EXISTS (
             SELECT 1
             FROM erp_orders e
             WHERE UPPER(TRIM(e.order_no)) = UPPER(TRIM(p.order_no))
           ) THEN 1 ELSE 0 END) AS found_in_erp
FROM pdm_projects p;

Ein hoher found_in_erp Anteil bedeutet, dass die Verknüpfung überwiegend Konfiguration ist. Ist der Anteil niedrig oder stehen viele Projekte in missing_order_no, zeigt das, wo die Datenarbeit liegt, noch bevor KI ins Spiel kommt. Führen Sie denselben Abgleich mit den Projektordnernamen auf Ihrem Fileserver durch; dort liegen oft die Überraschungen.

Unsere klare Empfehlung: Führen Sie diese Prüfung durch, bevor Sie irgendeinen Anbieter bewerten, uns eingeschlossen. Sie verwandelt die Frage „Sind unsere Daten gut genug?“ von einem Bauchgefühl in eine Zahl.

Worauf Sie bei einer Lösung zur KI-Anforderungsanalyse achten sollten

Beurteilen Sie eine Lösung danach, was ein Ingenieur überprüfen kann, nicht nach der Demo. Diese sechs Punkte unterscheiden ein Werkzeug, auf dessen Basis Sie sicher anbieten können, von einem, das eine hübsche Zusammenfassung liefert:

  1. Eine wörtliche Fundstelle für jede Zeile, mit Dokument und Seite.
  2. Zeichnungen und Scans werden verarbeitet und als solche gekennzeichnet, damit der Prüfer weiß, welche Zeilen genauer angesehen werden müssen.
  3. Treffer, die sich selbst erklären: Begründung, Unterschiede, verfügbare Unterlagen.
  4. Nur lesender Zugriff auf Ihre bestehenden Systeme, ohne Ihr PDM oder ERP zu ersetzen.
  5. Hosting, das zu Ihren NDAs passt, auf Ihrer eigenen Infrastruktur oder in einer EU-Region, denn Kundenanfragen unterliegen oft einem NDA.
  6. An Ihrer Historie gemessen: ein Test an abgeschlossenen Projekten, bei denen die richtige Antwort bekannt ist.

Anforderungsmanagement-Werkzeuge wie IBM DOORS, Jama Connect oder Siemens Polarion sind hier keine Konkurrenz. Sie verwalten Anforderungen, sobald diese existieren, über Änderungen, Nachverfolgung und Verifikation hinweg. KI-Lastenheftanalyse setzt davor an: Sie macht aus einem unstrukturierten Kundenpaket die erste strukturierte Liste und verknüpft sie mit Ihrer Projekthistorie. Viele Unternehmen mit Auftragsfertigung werden beides wollen.

Dieser Leitfaden behandelt den branchenneutralen Fall. Für Ausschreibungen von Transformatoren und Schaltanlagen, bei denen Anforderungen anhand von IEC 60076 und Werknormen in einer Compliance-Matrix geprüft werden, gibt es bei uns eine eigene Variante für das Ausschreibungs-Engineering bei Transformatorenherstellern.


Häufig gestellte Fragen

Was ist KI-Lastenheftanalyse?

KI-Lastenheftanalyse bezeichnet den Einsatz von Sprach- und Bildmodellen, um das Lastenheft eines Kunden und die zugehörigen Unterlagen zu lesen und daraus eine strukturierte, prüfbare Anforderungsliste zu erstellen. In der Auftragsfertigung (Engineer-to-Order) umfasst sie in der Regel auch die Suche nach technisch ähnlichen Altprojekten. inteliScience setzt sie mit einer Fundstelle in jeder Zeile und einer angegebenen Begründung für jeden Projekttreffer um.

Wie genau extrahiert KI Anforderungen aus Lastenheften und Zeichnungen?

Genau genug für einen ersten Durchgang, aber nicht genau genug, um auf die Prüfung zu verzichten. Aktuelle Benchmarks zeigen die Grenzen: Das beste Modell im Maschinenbau-Benchmark MechReason erreichte im August 2026 eine Genauigkeit von 62,89 %, und das beste Closed-Source-Modell im Zeichnungs-Benchmark MechVQA kam auf 77,28 Punkte. Deshalb sollte jede extrahierte Zeile ihre Fundstelle tragen, und deshalb sollte die Genauigkeit an Ihren eigenen abgeschlossenen Anfragen gemessen werden.

Wie findet KI technisch ähnliche Altprojekte zu einer neuen Anfrage?

Sie vergleicht die aus der neuen Anfrage extrahierten Anforderungen und technischen Merkmale mit den Spezifikationen, Produktstrukturen und Unterlagen abgeschlossener Projekte, ordnet die ähnlichsten Treffer nach Rang und begründet jeden einzelnen. Für diese Metadaten- und Dokumentensuche stammen Teilenummern, Benennungen, Struktur und Projektzuordnung aus dem PDM, das CAD-System muss also nicht angebunden werden. Ähnliche Teile anhand der Geometrie zu finden, ist eine eigene Aufgabe, die einen einmalig erstellten Form-Index der Teilebibliothek erfordert.

Was kostet die Einführung einer KI-Lastenheftanalyse?

Der Aufwand hängt weniger von der KI ab als von der Qualität und Verknüpfbarkeit Ihrer vorhandenen Daten, vor allem davon, ob sich eine Projekt- bzw. Auftragsnummer durchgängig durch PDM, ERP, Wiki und Fileserver zieht. Ist das der Fall, ist die Integration überwiegend Konfiguration; wenn nicht, wird das Herstellen der Verknüpfung Teil des Projekts. Den Umfang klären wir in einem Quick-Scan mit Vor-Ort-Workshop, gefolgt von einem klar begrenzten NX Sprint an einer Produktfamilie und einer Handvoll abgeschlossener Projekte.

Worin unterscheidet sich KI-Anforderungsanalyse von Anforderungsmanagement-Werkzeugen wie IBM DOORS oder Jama Connect?

Anforderungsmanagement-Werkzeuge speichern, versionieren und verfolgen Anforderungen, die bereits in strukturierter Form vorliegen. KI-Anforderungsanalyse setzt einen Schritt früher an: Sie erstellt aus einem unstrukturierten Kundenpaket die erste strukturierte Liste und verknüpft sie mit Altprojekten. Beide ergänzen sich, denn eine strukturierte Liste mit IDs und Quellen ist genau die Art von Eingangsdaten, die ein Anforderungsmanagement-Werkzeug übernehmen kann.


Nächster Schritt

Am schnellsten finden Sie heraus, ob das funktioniert, indem Sie es mit Ihren eigenen Daten ausprobieren. inteliScience, ein Engineering- und KI-Beratungsunternehmen, das für Hersteller in der DACH-Region nearshore aus Rumänien liefert, beginnt mit einem Quick-Scan mit Vor-Ort-Workshop zu Ihren Systemen und Ihrer Datenqualität und führt dann einen NX Sprint an einer Produktfamilie und einer Handvoll abgeschlossener Projekte durch.

Sprechen Sie mit unseren Ingenieuren über die Analyse Ihrer Anfragepakete



Quellen

Cookie-Einstellungen

Legen Sie fest, welche Dienste wir auf dieser Website nutzen dürfen. Ihre Auswahl wird 12 Monate in Ihrem Browser gespeichert. Sie können sie jederzeit über „Cookie-Einstellungen“ unten auf jeder Seite ändern.

Notwendig

Speichert Ihre Cookie-Auswahl. Dieses Cookie lässt sich nicht abschalten.

Immer aktiv
Cookies anzeigen
NameAnbieterZweckSpeicherdauer
is_cookie_consentinteliScienceSpeichert Ihre Cookie-Auswahl und deren Zeitpunkt12 Monate

Google Analytics 4 misst Seitenaufrufe, Herkunft der Besuche und die Nutzung von Formularen mit einer pseudonymen Kennung. Anbieter: Google Ireland Ltd. Daten können auch von Google LLC in den USA verarbeitet werden (EU-US Data Privacy Framework).

Cookies anzeigen
NameAnbieterZweckSpeicherdauer
_gaGoogleUnterscheidet Besucher anhand einer pseudonymen Kennung2 Jahre
_ga_<ID>GoogleSpeichert den Sitzungsstatus2 Jahre

Google Ads misst, welche Anzeigen zu Anfragen führen (Conversions), und ermöglicht es uns, früheren Besuchern unsere Anzeigen zu zeigen (Remarketing). Anbieter: Google Ireland Ltd. Daten können auch von Google LLC in den USA verarbeitet werden (EU-US Data Privacy Framework).

Cookies anzeigen
NameAnbieterZweckSpeicherdauer
_gcl_au, _gcl_aw, _gcl_gsGoogleOrdnet Anzeigenklicks den Anfragen zu90 Tage
_gcl_ls (Local Storage)GoogleOrdnet Anzeigenklicks den Anfragen zu90 Tage
IDE (doubleclick.net)GoogleRemarketing und Anzeigenmessung13 Monate

Videos: YouTube-Videos werden erst geladen, wenn Sie auf Abspielen klicken (über youtube-nocookie.com). Erst dann erhält Google Daten.